【Ansys Workbench】—直接优化

 1. 直接优化方法选择

自动或手动，算法和响应面的算法是一样的。

 

 前四个和响应面优化里的方法一样，后两个为：

AMO：自适应多目标，自适应的循环迭代。支持时间长短选择。自适应多目标方法是基于受控精英概念的流行NSGA-II（非支配排序遗传算法II）的变体。它支持多个目标和约束，旨在寻找全局最优解。它仅限于连续和可制造的输入参数。最初生成I个样本，每次迭代生成M个样本，并在最多N次迭代中找到P个候选样本。

ASO：自适应单目标。自适应单目标方法是一种基于梯度的算法，可提供精确的全局优化结果。它支持单个目标、多个约束条件，旨在寻找全局最优解。它仅限于连续和可制造的输入参数。在最多T个评估和G次域缩减中找到p个候选对象。

初始的样本点越多，精度越高，但是过多的话，优化容易在一两个点附近产生畸变。

 2.直接优化与响应面优化的区别

（1）直接优化是从实验设计的样本点中来选取一个最优的情况，样本点数量越多，优化结果越准确；而响应面优化是基于生成的响应面数据来优化的，响应面拟合越准确，优化结果越准确。

（2）直接优化的样本点数据是通过实际的有限元模型算出来的，样本点数量成百上千，精度更高，但计算时间也更长，而响应面是对有限元样本点结果作了算法的拟合。